Помощник по кодировке CSV

Как пользоваться

1. Перетащите CSV на карточку или нажмите «Выбрать файл». Кодировка и разделитель определяются сразу, а таблица появляется ниже — нажимать кнопку не нужно. Строка под надписью «Что это за файл» сообщает, какая кодировка использована и сколько других кандидатов декодировали бы файл так же чисто.
2. Если предпросмотр всё ещё неверный, выберите исходную кодировку вручную. Список следует языку этой страницы: китайские страницы начинают с GB18030 и Big5, арабские — с Windows-1256 и ISO-8859-6, английские — с Windows-1252 и MacRoman. Переключение мгновенное и никогда не трогает открытый файл.
3. Нажмите «Скачать CSV», чтобы получить исправленную копию. Она всегда в UTF-8; включённая по умолчанию «Добавить BOM» ставит в начало трёхбайтовую метку, чтобы Excel перестал откатываться к системной кодовой странице. «Копировать» даёт тот же текст без этой метки, готовый для базы данных или скрипта.
4. Вставленный текст — второй вариант ввода, для случая, когда испорченные символы уже сохранены в файл как текст. Исходных байтов там не осталось, поэтому определить ничего нельзя — но «Исправлять испорченные символы» записывает текст обратно в байты как Windows-1252 и читает его как UTF-8, что возвращает «Café» в «Café».

Ограничения

• Экспорт только в UTF-8 (с BOM или без). Платформенный TextEncoder реализует UTF-8 и ничего больше, поэтому собранную вручную таблицу кодовых страниц нельзя было бы проверить побайтово против iconv или Excel — заявление «сконвертировано в GBK» было бы ложной точностью. Чтобы записать устаревшую кодовую страницу, сначала подтвердите кодировку здесь, а затем выполните iconv -f <source> -t GBK на своей машине.
• Устаревшая кодовая страница всегда определяется как предположение, никогда как точный факт. GBK и Big5 или Windows-1252 и MacRoman неразличимы на коротких примерах, поэтому инструмент перечисляет равные кандидаты и позволяет подтвердить нужный по предпросмотру одним щелчком.
• Некоторые последовательности байтов GBK и Big5 случайно оказываются корректным UTF-8 (C2 80 — это символ 聙 в GB18030 и управляющий символ в UTF-8). Такие случаи понижаются до предположения, а кандидаты перечисляются, а не принимаются молча.
• Набор кандидатов — это то, что поддерживает TextDecoder браузера. CP437, TIS-620 и hp-roman8 не включены, а UTF-32 вообще не декодируется — метка порядка байтов UTF-32 распознаётся и затем отклоняется.
• Вставленный текст не несёт байтов. Его можно исправить, если испорченные символы сохранились, но текст, где уже есть ? или символ замены, потерял информацию навсегда и никогда не «исправляется» молча.
• Предпросмотр рисует первые 200 строк и обрезает длинные ячейки; в скачанном файле вся таблица с полными значениями. Ничего не обрезается, не перетипизируется и не дедуплицируется — ведущие нули, даты, похожие на числа, и запятые в кавычках остаются ровно как были.
• Файлы больше 5 МБ и текст больше 200 000 кодовых точек отклоняются с сообщением, а не обрезаются. .xls и .xlsx — двоичные контейнеры, и они не читаются.
• Всё выполняется в этой вкладке: ни загрузки, ни записи в адресную строку, ни хранения. Чтобы проверить, отключите сеть после загрузки страницы — инструмент продолжит работать.